基于Hough变换和GVF Snake模型的脑肿瘤分割方法
收稿日期：2017-09-25；修回日期：2017-10-27 基金项目：国家自然科学基金资助项目（61440049，61262019）；江西省自然科学基金资助项目（
20151BAB207065，20161BAB202038）；江西省教育厅科技项目（GJJ170572）；江西省科技厅重点研发基金资助项目（20161BBG70047）作者简介：孔媛媛（1992-），女，山东枣庄人，硕士，主要研究方向为图像处理（2465884938@https://www.360docs.net/doc/7d10780357.html, ）；李军华（1974-），男，教授，博士，主要研究方向为进化算法、智能控制；王艳（1980-），女，讲师，博士研究生，主要研究方向为图像处理；鲁宇明（1969-），女，教授，博士，主要研究方向为进化计算、模式识别；W u Liu （1975-），男，assistant professor ，主要研究方向为图像处理.
基于Hough 变换和GVF Snake 模型的
脑肿瘤分割方法*
孔媛媛1a ，李军华1a ，王 艳1b ，鲁宇明1b ，Wu Liu 2
（1.南昌航空大学a.江西省图像处理与模式识别重点实验室；b.工程训练中心，南昌330063；2.耶鲁大学医学院，美国康涅狄格州06511）
摘 要：脑M R 图像中肿瘤区域的精确分割对后续的治疗与诊断十分关键，提出了一种基于Hough 变换定位与
遗传算法优化GVF Snake 模型的脑肿瘤分割方法。首先，
利用Hough 变换和阈值处理自动确定肿瘤区域；然后，利用GVF Snake 模型对肿瘤区域进行分割；同时，为了防止GVF Snake 在分割时易出现局部极小值的问题，进一步利用遗传算法的全局优化特性，对GVF Snake 模型分割的结果进行优化。实验结果表明，提出的模型能实现
对肿瘤区域的自动定位，同时也避兔了GVF Snake 模型在分割时易陷入局部最优的问题，
使分割的结果更加精确。
关键词：脑肿瘤分割；Hough 变换；GVF Snake 模型；遗传算法中图分类号：TP391.41 文献标志码：A 文章编号：1001-3695（2018）11-3469-03
doi ：
10.3969/j.issn.1001-3695.2018.11.064Brain tumor segmentation method based on Hough transform and GVF Snake model
Kong Yuanyuan 1a ，Li Junhua 1a ，W ang Yan 1b ，Lu Yuming 1b ，W u Liu 2
（1.a.Key Laboratory ofImage Processing &Pattern Recognition in Jiangxi Province ，b.Engineering Training Center ，Nanchang Hangkong University ，Nanchang 330063，China ；2.School ofM edical ，Y ale University ，Connecticut 06511，United States ）
Abstract ：The precise segmentation of the tumor area in the brain M RI image is critical important for the subsequent treat-ments and diagnoses.This paper proposed a new segmentation method ，which based on Hough transform location and genetic al-gorithm optimization of GVF Snake model.Firstly ，it used Hough transform and threshold processing to locate the tumor areas
automatically.Then it applied the GVF Snake model to segment the tumor areas.At the same time ，
to address the problem that the algorithm is easily trapped into local minimum ，the results of GVF Snake segmentation are further optimized by using the global optimization of genetic algorithm.The experimental results show that the proposed model is then done automatically with
no manual intervention ，
and it can also avoid the local convergence problems of GVF Snake model ，then obtains a more precise result.
Key words ：brain tumor image segmentation ；Hough transform ；GVF Snake model ；genetic algorithm
0 引言
脑肿瘤的发病率较高，约占全身肿瘤发病率的1.4%，死亡率超过2.4%。因此对脑肿瘤的诊断、治疗和科学研究日益
重要[1]
。目前，脑肿瘤的分割主要是医生利用自身的专业知识及经验手动完成，不仅耗时费力，而且主观因素较强。因此将图像处理技术应用到医学图像辅助分析中，生成脑肿瘤的自动分割或少量人工干预的半自动分割方法十分必要。
图像分割方法经过快速发展，针对M R 图像的脑肿瘤分割已形成不同的方法理论，如区域生长法、阈值法、分水岭变换、
基于曲线演变的模型等[2~6]
。区域生长法计算简单，可用于比较复杂的图形，但灰度的不均一和噪声容易产生过分割或欠生长。阈值法适用于灰度值相差较大的图像，脑肿瘤图像复杂，阈值选取困难。分水岭变换方法分割精度高，计算速度快，分割边界连续，但易产生大量的假边界，造成算法过度分割的现象。基于曲线演变的模型包括参数形变模型和几何形变模型[
7，8]
。Snake 模型是经典的参数形变模型，在处理有间断的目标轮廓时能得到连续的分割结果，且对噪声不敏感，但
Snake 模型无法收敛于凹陷目标轮廓区域，对初始轮廓要求
高，无法处理边缘模糊的图像。文献[
9]提出梯度矢量流（GVF ）模型扩大了外部力场的捕获范围，解决了传统Snake 模型对初始轮廓敏感、不能收敛于凹陷区域的缺点。文献[10]提出一种基于活动轮廓模型和进化算法优化参数值的混合优化算法。文献[11]利用Canny 边缘检测结果计算GVF Snake 模型的边缘梯度。这两种分割方法虽然改进了GVF Snake 模型对弱边界敏感的问题，但都需要人工参与确定肿瘤的初始轮廓，没有实现自动化分割。文献[12]中利用脑组织的左右对称性对脑肿瘤进行定位，实现了脑肿瘤的自动化检测，但不能处理肿瘤关于对称轴对称的情况，且受灰度值影响较大，鲁棒性较差。
本文设计了一种脑肿瘤的自动分割方法，该方法根据肿瘤
的形状特点，利用Hough 变换[13]和阈值处理[14]
对脑肿瘤进行定位。根据定位结果确定初始轮廓，然后利用GVF Snake 模型
对肿瘤区域进行分割，并通过遗传算法[
15]
优化分割结果，从而实现脑肿瘤的精确分割。
第35卷第11期2018年11月 计算机应用研究
Application Research of Computers Vol.35No.11
Nov.2018
万方数据
脑外科手术分类
脑外科 甲类手术垂体腺瘤经口鼻蝶切除术 垂体腺瘤经额切除术 额面联合颅底肿瘤切除术 颈静脉孔神经鞘瘤切除术 脊髓内外混合型A VM显微手术切除术 脊髓源束，前外侧来或前联合切断术？？？ 颅立体定向靶点破坏术 颅面联合进路肿瘤切除术 颅内巨大A VM切除术 脑干肿瘤切除术 脑或脊髓移植术 脑瘤切除术（深部） 脑立体定向颅肿瘤摘除术 胼胝体切除术（含材料） 前额叶白质切除术 细胞刀手术开放型立体定向病灶切除术 三叉神经，面神经或副神经减压术 松果体肿瘤切除术 小脑扁桃体切除术 听神经瘤切除术 细刀手术立体定向活检术 细胞刀手术立体定向颅内血肿抽吸术 细胞刀手术三叉神经经皮射频热凝术 胸交感神经节切除术 斜坡肿瘤切除术 杏仁核，海马切除术（选择性） 腰交感神经切除术 哑铃型三叉神经纤维瘤切除术 延髓束切断术 枕下入路听神经瘤切除术 乙类手术 蝶骨嵴脑膜瘤切除术 大脑联合切除术 功能性垂体切除术 静脉窦修补术 脊髓内肿瘤摘除术、 脊神经后根切断术 脊髓探查术 脊髓血管畸形或动脉瘤切除术 脊髓肿瘤切除术 开颅探查术
颅内外动脉架桥吻合术 颅骨凹陷性畸形整复术 路骨病损切除术 颅骨切开术 颅骨缺损修补术 颅骨嗜酸性肉芽肿切除术 颅骨钻孔探查术 颅或周围神经活检术 颅内动脉瘤夹闭结扎术 颅内动脉海绵窦孤立术 颅内动脉瘤孤立术 颅内或脊髓大网膜移植术 颅内外动脉吻合术 颅神经松解术 颅神经吻合术 颅咽管瘤切除术 慢性硬膜下血肿引流术 帽状腱膜下血肿抽吸术 脑底部脑膜瘤切除术 脑感染性肉芽肿切除术 脑积水脑室——腹腔分流术 脑积水外引流术 脑脊液鼻漏，耳漏修补术（经颅）脑膜或脊髓并病损切除术 脑脊髓膜，脑脊髓膨出术 脑囊肿切除术 脑皮层致痫性切除术 脑室内肿瘤切除术 脑凸面或矢状窦旁脑膜瘤切除术脑桥小脑角脑膜瘤切除术 三叉神经撕脱术 三叉神经脊髓切除术 神经切取术 神经束间膜缝合术 神经移植术 小脑半球肿瘤切除术 小脑引部肿瘤切除术 硬膜下积液引流术 椎板切开探查术 枕骨大孔区肿瘤切除术 椎管脓肿清除 枕骨上颈椎板切除减压术 椎管探查术 椎管肿瘤切除术
脑膜瘤患者手术后发烧怎么办
脑膜瘤是一种恶性肿瘤疾病，重者会威胁到患者的生命，成为了人类健康的一大杀手，如果不幸患上一定要及时治疗。在脑膜瘤的各种治疗方法中，手术占据着重要的地位，通过切除病灶控制病情，延长患者生命，不过手术在治疗过程中会消耗人体大量的能量，导致患者免疫力下降，容易出现各种并发症，如发烧，应引起足够的重视，及时采取措施治疗，那脑膜瘤患者手术后发烧怎么办呢？ 脑膜瘤患者手术后引起发烧的原因有很多，患者应及时查明病因，并采取相应的措施治疗。患者手术后三天内发热非常常见，与术中的损害吸收热有关系，一般体温不会超过38摄氏度，可以采用物理降温，也可以在医生的指导下使用退烧的药物。如果患者术后体温持续超过38.5摄氏度或者术后发热出现在3天之后，则需要引起足够的重视，患者由于身体受损，免疫力有所下降，容易并发感染，此时应及时排除，给予抗生素控制感染，缓解发烧的情况。脑膜瘤手术对机体造成的创伤不容忽视，患者容易出现各种症状，降低患者生存质量，甚至影响到生存时间，一定要引起足够的重视，做好日常护理工作，增强患者体能，提高患者免疫力，缓解术后并发症。 另外需要注意的是，手术只是局部治疗手段，只能切除肉眼可见的肿块对于血液和淋巴液里的癌细胞无能为力，术后很容易出现复发转移的情况，因此患者在术后还应做好巩固治疗，预防复发转移。作为我国的传统医学，中医在防治术后并发症，预防复发转移方面有积极的作用，患者应及时配合治疗。脑膜瘤术后通过扶正祛邪的中药，有助于扶正患者元气，修复术后受损的机体，恢复气血、阴阳、脏腑的平衡，提高患者的免疫力和抵抗力，缓解术后并发症和后遗症，提高患者生存时间，中医本身具有的抗癌功效，还能抑制肿瘤细胞，稳定病情，巩固手术的治疗效果，降低术后复发转移的几率，进一步延长生存时间。 中医治疗善长调节患者紊乱的机体内环境，将扶正与抗癌同时进行，补充患者的元气，增强患者的免疫力和抗肿瘤能力，应及时配合治疗。郑州希福中医肿瘤医院是由百年袁氏中医世家传人、《袁氏医方》继承人、中国中医药促进会仲景医学研究分会委员、三联平衡理论创始人、中华中医药学会肿瘤学会全国委员袁希福创办的一家集预防、医疗、科研、康复为一体的现代化特色中医肿瘤专科医院。医院自建院以来，始终专注于中医，坚持“专科专病专方”，充分发挥中医肿瘤科特色及优势，以院长袁希福提出的三联平衡理论为指导，部分患者能够在短期内看到一定的疗效，减轻痛苦，延长生命，甚至一些患者实现了临床康复或长期带瘤生存，成为肿瘤患者和家属口中的“康复家园”，也被授予“消费者信得过医院”、“老百姓信赖的医疗机构”、“百姓放心医疗单位”“临床安全合理用药示范基地”“建国70周年中医药科技创新突出贡献单位”等荣誉称号。 部分参考案例： 潘香花，女，50岁，脑膜瘤，河南省临颍县 2003年5月14日MRI发现左枕部占位,在漯河市中心医院行手术切除,2004年复发,因其父在郑州希福中医肿瘤医院治疗胰腺癌效果好，遂于2004年4月12日前往郑州希福中医肿瘤医院求诊。初诊时纳差、口干、失眠、记忆力明显减退、头痛、头晕，服用一个月中药后，头痛、头晕、纳差口干等症状均缓解，坚持服用3个月后，所有症状均缓解。患者2004年连续服用中药一年，2005年服用4个月以巩固疗效，2006年服用3个月，2008年服用1个月，其后未再服药，2013年3月因头部不适又服用1个月。至2013年11月26日回访，现年已60岁的潘香花依然身体健康，退休在家，能做家务，能打牌娱乐。2014年11月回访，本人接听电话声音洪亮，精神状态很好。
Chan_Vese模型下的脑肿瘤图像分割方法
2010，46（9） 1引言 医学图像分割是医学图像处理过程中的重要步骤，医学图像中的脑肿瘤分割[1]要求不仅要快速，而且要准确地对脑肿瘤进行分割操作。同时，医学图像分割也是图像处理领域中的一个经典难题，迄今为止还没有出现某种分割方法对各种医学图像的分割达到令人满意的地步。一般而言，根据具体的情况可以选择不同的图像分割方法，但基于模型和基于区域的分割方法[2]是比较常用的分割方法。 基于模型的分割方法包括活动轮廓模型（可变型模型）[3]和水平集[4]等算法，分别由Kass et al[3]和Osher and Sethian[4]提出。在此基础上Tony Chan和Luminita Vese[5]共同提出了Chan-Vese[5-6]模型。上述算法的核心思想是在分割目标附近初始化一条可变型能量曲线，然后这条曲线不断朝着分割目标的边界变型，当曲线即将与目标边界重合时能量几近为零，从而达到分割的目的。这种方法的优点是通过设置种子区域，可以快速地对图像进行分割操作，但由于过度依赖分割目标的梯度或亮度信息，同时分割过程中比较依赖参数的选择，所以导致分割结果不够准确。 基于区域的分割方法包括区域增长[7]和形态学处理[8]等。这些算法都是基于对邻域像素点的操作，分割的准确度比较高。基于区域的分割方法通常被用来提取图像的轮廓。由于需要针对逐个像素点进行计算，导致这些方法的计算量很大，这直接影响到了最后的图像分割速度。 Tim McInerney等人[9]将可变型模型用于医学图像分割并取得了较好的效果。由于可变型模型（活动轮廓模型、Chan-Vese模型）过度依赖于图像的梯度或亮度均值等信息，所以当 Chan-Vese模型下的脑肿瘤图像分割方法 许存禄1，高佳1，武国德2 XU Cun-lu1，GAO Jia1，WU Guo-de2 1.兰州大学信息科学与工程学院，兰州730000 2.兰州大学第二附属医院神经内科，兰州730000 1.School of Information Science and Engineering，Lanzhou University，Lanzhou730000，China 2.Department of Neurology，Second Affiliated Hospital of Lanzhou University，Lanzhou730000，China E-mail：clxu@https://www.360docs.net/doc/7d10780357.html, XU Cun-lu，GAO Jia，WU Guo-de.Brain tumor image segmentation method based on Chan-Vese https://www.360docs.net/doc/7d10780357.html,puter Engi－neering and Applications，2010，46（9）：155-158. Abstract：A brain tumor image segmentation and3D reconstruction method is proposed based on Chan-Vese model.The brain tumor image is first eroded iteratively by using morphological erosion to extract the brain tumor contour.Then the brain tumor in－cluded in eroded image is segmented by the Chan-Vese model.The image is finally dilated iteratively by using morphological di－lation to restore the image.Moreover，all segmented brain tumor images are reconstructed and located to three dimensions.Experi－mental results show that the algorithm based on Chan-Vese model can solve the problem of incomplete segmentation easily oc－curred in brain tumor segmentation process.At the same time，the3D reconstruction and location of the brain tumor offer a great reference value in clinical work. Key words：brain tumor；image segmentation；Chan-Vese model；3D reconstruction and location 摘要：提出了一种基于Chan-Vese模型的脑肿瘤图像分割与三维重构方法。该方法首先通过对脑肿瘤图片的迭代腐蚀操作提取脑肿瘤轮廓，然后利用Chan-Vese模型对脑肿瘤进行分割，最后对图像进行迭代膨胀操作复原图像。另外对所有分割后的脑肿瘤图片进行了三维重构与定位。实验结果表明，基于Chan-Vese模型的图像分割方法很好地解决了脑肿瘤分割过程中容易出现的不完全分割问题，同时对脑肿瘤的三维重构与定位也具有较大的临床实用价值。 关键词：脑肿瘤；图像分割；Chan-Vese模型；三维重构与定位 DOI：10.3778/j.issn.1002-8331.2010.09.044文章编号：1002－8331（2010）09-0155-04文献标识码：A中图分类号：TP391 基金项目：国家自然科学基金青年科学基金项目（No.60903101）。 作者简介：许存禄（1976-），男，博士，硕士生导师，主要研究领域为计算医学与图像处理；高佳（1985-），男，硕士生，主要研究领域为医学图像处理；武国德（1969-），男，副主任医师，主要从事神经内科临床工作。 收稿日期：2009-04-07修回日期：2009-06-02 Computer Engineering and Applications计算机工程与应用155
基于注意机制的改进卷积神经网络脑肿瘤图像分割方法与制作流程
本技术涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。 权利要求书 1.一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤： 1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次 对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理。
2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出； 每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量； 在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，搭建基于注意机制的改进卷积神经网络模型，称为AG_UNet； 对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数； 将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练； 3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。 技术说明书
脑膜瘤手术后放疗需间隔多长时间
脑膜瘤是一种恶性肿瘤疾病，该病属于是一种大脑疾病，对人的危害很大，严重的危及到患者的生命。手术是治疗脑膜瘤的重要手段之一，可以直接切除病灶，短期内控制病情发展，不过手术有一定的局限性，术后易复发转移，因此需要联合其他方法进行巩固治疗。放疗是术后常用的巩固治疗手段之一，而术后放疗时间也备受患者和家属的关注，那脑膜瘤手术后放疗需间隔多长时间呢？ 放疗对癌细胞有较强的杀伤能力，脑膜瘤术后通过放疗可以抑杀血液和淋巴液里残存的癌细胞，降低复发转移的风险，延长生存时间，不过放疗缺乏选择性，也会损伤照射区域内的正常细胞和组织，从而产生一系列的副作用，对机体造成一定的损伤，而手术本身就是一种有创治疗，术后患者元气，身体也变得虚弱，并不适合立即放疗。一般脑膜瘤患者在手术后3-4周左右可以开始放疗，具体的根据患者身体恢复程度来决定，如果患者一般状况较好，身体恢复较好，则可以尽快放疗，如果身体恢复较慢，则应推迟放疗时间。 不过需要注意的是，放疗和手术治疗都是局部治疗手段，都不能全部杀死癌细胞，患者治疗结束后可能还会出现复发转移的情况，因此还应重视全身性的治疗。化疗虽是全身性治疗手段，但也会产生一系列的副作用，需要根据患者的具体情况慎重选择。中医治疗全部使用中草药，副作用小，基本上不会损伤机体，像年龄大、身体弱的患者也能使用。脑膜瘤患者放疗期间通过中医药的调理，有助于减轻放疗的副作用，增强机体的免疫功能，提高自身的耐受程度，使治疗顺利完成；在放疗后长期坚持用药，还有助于修复受损的机体，抑制肿瘤细胞，巩固放疗的疗效，降低复发转移的风险，进一步延长生存时间。 中医治疗善长调节患者紊乱的机体内环境，将扶正与抗癌同时进行，补充患者的元气，增强患者的免疫力和抗肿瘤能力，应及时配合治疗。郑州希福中医肿瘤医院是由百年袁氏中医世家传人、《袁氏医方》继承人、中国中医药促进会仲景医学研究分会委员、三联平衡理论创始人、中华中医药学会肿瘤学会全国委员袁希福创办的一家集预防、医疗、科研、康复为一体的现代化特色中医肿瘤专科医院。医院自建院以来，始终专注于中医，坚持“专科专病专方”，充分发挥中医肿瘤科特色及优势，以院长袁希福提出的三联平衡理论为指导，部分患者能够在短期内看到一定的疗效，减轻痛苦，延长生命，甚至一些患者实现了临床康复或长期带瘤生存，成为肿瘤患者和家属口中的“康复家园”，也被授予“消费者信得过医院”、“老百姓信赖的医疗机构”、“百姓放心医疗单位”“临床安全合理用药示范基地”“建国70周年中医药科技创新突出贡献单位”等荣誉称号。 部分参考案例： 潘香花，女，50岁，脑膜瘤，河南省临颍县 2003年5月14日MRI发现左枕部占位,在漯河市中心医院行手术切除,2004年复发,因其父在郑州希福中医肿瘤医院治疗胰腺癌效果好，遂于2004年4月12日前往郑州希福中医肿瘤医院求诊。初诊时纳差、口干、失眠、记忆力明显减退、头痛、头晕，服用一个月中药后，头痛、头晕、纳差口干等症状均缓解，坚持服用3个月后，所有症状均缓解。患者2004年连续服用中药一年，2005年服用4个月以巩固疗效，2006年服用3个月，2008年服用1个月，其后未再服药，2013年3月因头部不适又服用1个月。至2013年11月26日回访，现年已60岁的潘香花依然身体健康，退休在家，能做家务，能打牌娱乐。2014年11月回访，本人接听电话声音洪亮，精神状态很好。 （以上为真实治疗案例，在实际治疗中，由于患者病情、体质不同，治疗效果因人而异，望广大患者与家属谨慎选择，理性就医。）
三维网格分割的经典方法
三维网格分割的经典方法 摘要：本文针对三维网格分割问题，提出一个经典的方法。该方法基于微分几何和测地距离。在算法中，将面片类型相同的顶点分割在一起。测地距离利用顶点之间的最短路径表示，这里可以利用一些经典的算法求最短路径，如Dijkstra 算法。但是当网格的数量很多时，Dijkstra 算法的效率很低。因此，此算法避免了在整个网格上应用最短路径算法，在局部网格中求最短路径，从而减少了计算量。 本文在人造物体的三维网格模型以及分子结构中验证了该方法的有效性。 关键字：几何算法 面片分割 测地距离 简介 3D 物体的三维网格表示法具有很多的应用。例如，在图像分析中，表示利用深度图像重建的物体表面。此外，在复杂物体和场景的建模和可视化中也有广泛的应用。在网格面片的分析中，网格分割已经成为一个关注的问题。网格分割也就是将网格上相互接近并且具有相似曲率的顶点分成一组。网格分割在很多方面具有重要的应用。特征提取，模型匹配等。 Mangan 和Whitaker 提出三维网格分割的分水岭算法。Razdan 和Bae 扩展了此算法，将基于点元（voxel-based ）和分水岭算法相结合，来分割三角网格。这两种方法在分割中都需要计算整个曲率，然后在局部曲率最小处建立初始分割。然而，在某些物体中，局部曲率的最小值是很难确定的。因此，在这里提出一个初始分割的新方法。 在该算法中，应用基于面片的类型信息的网格区域增长方法，对顶点进行初始分割。利用高斯曲率和平均曲率对顶点所在的面片进行分类。这里利用离散微分几何计算高斯曲率和平均曲率。通过本文提出的新方法来求得测地距离。 文章结构：第二部分，介绍网格面片的曲率分析和面片分类。第三部分，详述本文的分割算法。第四部分，实验以及其分割结果。第五部分，结论。 2 面片分析 在面片分析中，首先计算高斯曲率和平均曲率，然后利用它们进行面片分类。顶点P 0的高斯曲率K 的计算公式如下： ， A K θ ρ?= ，∑-=?i i 2θπθ ∑=i i A A ， A 为相邻三角形T i ( i =1，2，3，…)的面积总和。ρ为常量3。如图1所示。
最新ARMA模型和SAS求解汇总
A R M A模型和S A S求 解
第6讲时间序列分析 教材：应用时间序列分析课件（中国人民大学王燕），SAS如何解及下载例程。 时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。 时间序列是把反映现象发展水平的统计指标数值，按照时间先后顺序排列起来所形成的一组统计数字序列。时间序列又称动态数列或时间数列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。 时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 时间序列分析主要用途:①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深
入了解给定时间序列产生的机理。③预测未来。一般用ARMA 模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 基本步骤:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA 模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合ARMA 模型等来进行拟合。当观测值多于50个时一般都采用ARMA 模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。 本章重点：1）建立p 阶自回归)(p AR 模型：t p t p t t t x x x x εφφφφ+++++=--- 22110 2）建立q 阶移动平均)(q MA 模型： q t q t t t t x -------+=εθεθεθεμ 2211 3）),(q p ARMA 模型：q t q t t t p t p t t t t x x x x -----------+++++=εθεθεθεφφφφ 221122110 三个模型的拖尾、截尾性
Chan-Vese模型下的脑肿瘤图像分割方法
万方数据
１５６２０１０，４６（９）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 分割目标（脑肿瘤或血管）的边界比较模糊时分割效果就不是很准确，容易出现不完全分割问题。另一方面，利用三维图像处理技术对人体病变器官进行术前分析获得了越来越多的关注。Ｌａｍａｄｅ等人【ｌａｆ对人体病变肝脏进行了虚拟三维重构，为肝脏的术前分析提供了可靠的依据，具有很好的临床应用价值。而传统的脑肿瘤术前分析局限于对脑肿瘤进行二维信息判断，医生只能通过经验判定肿瘤的三维状态及肿瘤在大脑中的三维定位等重要术前信息，这直接影响到了脑肿瘤手术的准确性。 在此基础上提出了基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。首先对脑肿瘤图像进行形态学迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，最后再对图像进行形态学迭代膨胀操作复原图像。这样就结合了可变型模型的速度优势和数学形态学的准确性优势，同时当分割目标的边界比较模糊时，改进的方法能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，很好地解决了不完全分割问题。另外借助ＶＴＫｔｕ】对分割后的脑肿瘤图片序列进行三维重构与定位，得到了脑肿瘤的三维信息（大小、状态），从而为脑肿瘤术前分析提供理论基础。 ２Ｃｈａｎ－Ｖｅｓｅ模璎 Ｃｈａｎ—Ｖｅｓｅ模型由ＴｏｎｙＣｈａｎ和ＬｕｍｉｎｉｔａＶｅｓｅ提出，主要基于曲线变型［ｔ２１，Ｍｕｍｆｏｒｄ—ｓｈａｈｌ吩割函数和水平集１４１，它与 传统可变型模型最大的区别是对图像进行分割时无需依赖于图像的梯度信息。Ｃｈａｒｔ—Ｖｅｓｅ模型的能量函数无法直接使用单次微分求其极值，可以通过Ｅｕｌｅｒ－ＬａｇｒａｎｇｅＩ－目方程，使能量函数通过迭代的偏微分方程逼近真正的解。 ２．１基本能量曲线 首先定义基本能量方程： 及ｃ，ｃｌ，ｃ２）＝｝止（ｃ）＋以（ｆｎ（ｃ））“１Ｊｌｕｏ（ｘ，ｙ）－－ｔ１广ｄ茁ｄｙ＋ 一ｃ） ｒ＾ Ａ２ｌｕｏ（ｘ，，，）－ｃ２广ｄｘｄｙ（１） 魂素。） 其中ｐ，ｙ，Ａ。，Ａ：是可调参数，ｃ是可变型曲线，Ｃ，是曲线内部的亮度平均值，Ｃ：是曲线外部的亮度平均值，‰（菇，，，）是图像中点（菇，ｙ）处的亮度值，Ｌ（ｃ）是可变型曲线的长度，Ａ（ｉｎ（Ｃ））是曲线内部的面积。因此能量最小化问题可以表示为： ｉＩｌｆ只Ｃ，Ｃｌ，ｃ２）（２）Ｃ．ｃＩｆｃ２ ２．２Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模理 从逼近论ｔ≈的观点来看，Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模型是对—个任意的定义域为ｎ的图像函数呦（茗，＇，）用分片光滑函数ｕ（ｘ，，，）做下述意义的最佳逼近： ，（ｕ，ｃ）单?ｋｎｇ矾（ｃ）“ｆＩｌｌｏ（戈，，，）一“（茹，ｙ）１２出ｄｙ＋ 五 ｆ， ｌ。ＩＶｕ（ｘ，ｙ）ｌ‘出ｄｙ（３）其中Ｕｏ为输入图像，当取Ａｌ＝Ａ２＝４，／Ｌ＞Ｏ，ｖ＝Ｏ时，可以把Ｃｈａｎ—Ｖｅｓｅ模型看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，这时只需找出Ｕｏ的最佳逼近“，再结合水平集方法和曲线演化理论，即可推导出高维函数的进化方程。 ２．３水平集求解 利用水平集求解Ｃｈａｒｔ—Ｖｅｓｅ模型，将变型曲线Ｃ看做Ｌｉｐｓｃｈｉｔｚｔｌ２】函数咖的零水平集。由于Ｃｈａｎ—Ｖｅｓｅ模型被看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，所以用水平集函数对Ｃｈａｎ，Ｖｅｓｅ模型进行表述时可以表示为： ｕ（ｘ，，，）＝ｃ１Ⅳ（币（菇，Ｙ））４＂Ｃ２（１－Ｈ（４＇（ｘ，Ｙ）））（４）使咖保持不变，同时最小化能量函数，（Ｃ，ｃ。，ｃ：），可通过公式（５）求出ＣＩ（ｐ）和ｃ２（妒）。 ＣＩ（妒）＝ 』讽（妒）出如 ｎ 』Ｉｌｏ（１．巩（９））出ｄｙ ，ｃ２（９）＝ｊＬ——————————一（５）ｆｎ．Ｃ牮，）ｄｘｄｙＪ（１也（妒））出ｄｙ ｎｎ 为了计算与未知水平集函数西相关的Ｅｕｌｅｒ—Ｌａｇｒａｎｇｅ函数方程，分别引入Ｈｅａｖｉｓｉｄｅ删函数也和一维Ｄ／ｒａｃｌ月函数瓦，然后最小化能量函数只（咖），就能以迭代的方式得到如下求解西的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程： 譬书（西） ｄ‘ 即∽删）ｄｉｖｐ－－Ｉ（器）叫 一Ａｌ（“ｄ．Ｉｃｌ）２＋Ａ２（“旷．ｃ２）２ 妒（Ｉ，石，，，）＝伽（并，ｙ）（６）Ｐ（弘叫锗＝ｏ 鱼生：翌竺 ＯｔＡｔ 其中ｔ为时间变量，咖为水平集函数，当￡＝，时，用咖“表示当前的水平集毋。Ｃｈａｒｔ—Ｖｅｓｅ模型的具体算法如下： （１）令ｎ－－０，初始化∥；＾－ （２）用公式（５）计算ｃ。（咖４）和ｃ：（咖“），且当ｐ＝２时，有ｌｅｎｇｔｈ｛４，“旬｝吐（币４）； （３）用公式（６）计算∥的偏微分方程，从而进—步求出∥１； （４）检查‘ｂ“是否为稳态解，若不是则ｎ：ｎ＋１，跳入（２）再次循环。 ３基于Ｃｈａｒｔ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法 ３．１基于Ｃｈａｎ－Ｖｅｓｅ模璎的脑肿瘤分割 ＴｉｍＭｃｌｎｅｍｅｙ等人Ｉ咀将町变型模型应用于医学图像分割并取得了较好的效果，但也存在某些缺陷。由于可变型模型（活动轮廓模型、Ｃｈａｎ－Ｖｅｓｅ模型）在型变时往往依赖于分割目标的梯度或亮度均值，所以当分割目标的边界比较模糊时变型曲线很可能在未完全与分割目标的边界重合就停止型变，从而产生不完全分割，如图１所示。临床应用中，多数脑肿瘤的边缘部分相对比较模糊，所以在分割过程中很容易出现不完全分割问题。 待分割肿瘤模糊边界最后分割区域不完全分害ｊ区域原始脑肿熘ｌ圭ｊ片小完全分割ｊ垄｜片 图ｌ脑肿瘤不完全分割图 万方数据
脑肿瘤分类脑肿瘤分级
脑肿瘤分类\脑肿瘤分级 脑瘤分级、脑肿瘤分级 一．星形细胞肿瘤 1、弥漫性星形细胞瘤（Ⅱ）纤维型星形细胞瘤（Ⅱ）原浆型星形细胞瘤（Ⅱ）肥胖型星形细胞瘤（Ⅱ） 2、间变性星形细胞瘤（Ⅲ） 3、多形性胶质母细胞瘤（Ⅳ）巨细胞型胶质母细胞瘤（Ⅳ）胶质肉瘤（Ⅳ） 4、毛细胞型星形细胞瘤（Ⅰ） 5、多形性黄色瘤型星形细胞瘤（Ⅱ） 6、室管膜下巨细胞型星形细胞瘤（Ⅰ） 二．少突胶质细胞的肿瘤 1、少突胶质细胞瘤（Ⅱ） 2、间变性少突胶质细胞瘤（Ⅲ） 三．混合性胶质瘤 1、少突星形细胞瘤（Ⅱ） 2、间变性少突星形细胞瘤（Ⅲ） 四．室管膜肿瘤 1、室管膜瘤（Ⅱ）富细胞型（Ⅱ）乳头状型（Ⅱ）透明细胞型（Ⅱ）伸展细胞型（Ⅱ） 2、间变性室管膜瘤（Ⅲ） 3、粘液乳头状室管膜瘤（Ⅰ） 4、室管膜下瘤（Ⅰ） 五．脉络丛肿瘤 1、脉络丛乳头状瘤（Ⅰ） 2、脉络丛癌（Ⅲ） 六．不明起源的神经胶质肿瘤 1、星形母细胞瘤 2、大脑神经胶质瘤病（Ⅲ） 3、三脑室脊索瘤样胶质瘤（Ⅱ） 七．神经元和混合神经元－胶质肿瘤 1、神经节细胞瘤（Ⅰ） 2、小脑发育不良性神经节细胞瘤（Ⅰ） 3、促纤维增生性幼稚星形细胞瘤/神经节细胞胶质瘤（Ⅰ） 4、胚胎发育不良性神经上皮肿瘤（Ⅰ） 5、神经节细胞胶质瘤（Ⅰ-Ⅱ） 6、间变性神经节细胞胶质瘤（Ⅲ） 7、中枢性神经细胞瘤（Ⅱ） 8、小脑脂肪神经细胞瘤（Ⅰ-Ⅱ） 9、终丝副神经节瘤（Ⅰ） 八．成神经细胞肿瘤 1、嗅神经母细胞瘤（感觉神经母细胞瘤） 2、嗅神经上皮瘤 3、肾上腺和交感神经系统神经母细胞瘤 九．松果体实质肿瘤 1、松果体细胞瘤（Ⅱ） 2、松果体母细胞瘤（Ⅳ） 3、中等分化的松果体实质肿瘤（Ⅲ）十．胚胎性肿瘤 1、髓上皮瘤（Ⅳ） 2、室管膜母细胞瘤（Ⅳ） 3、髓母细胞瘤（Ⅳ）促纤维增生型髓母细胞瘤（Ⅳ）大细胞型髓母细胞瘤（Ⅳ）髓母肌母细胞瘤（Ⅳ）黑色素型髓母细胞瘤（Ⅳ） 4、幕上原始神经外胚层肿瘤（PNET）（Ⅳ）神经母细胞瘤（Ⅳ）神经节细胞神经母细胞瘤（Ⅳ） 5、非典型性畸胎样/横纹肌样肿瘤（Ⅳ）
004071三维模型分割(下)
展望 三维模型分割（下） 关键词：三维模型分割 三维网格模型分割应用 三维检索中的网格模型分割算法 随着万维网的发展，在三维VRML1数据库中寻找一个与给定物体形状相似的模型的应用需求正变得越来越广泛，比如：计算生物学、CAD、电子商务等等。形状描述子和基于特征的表示是实体造型领域中基本的研究问题，它们使对物体的识别和处理变得容易。因为形状相似的模型有着相似的分割，所以基于分割的形状描述子可以用于形状匹配。 2002年毕斯乔夫[37]提出从三维模型分割得到的椭球集合中得到的某种统计信息（比如椭球半径的平均方差或者标准方差，以及它们的比率）。由于这些信息在不同的形状修改中都保持不变，因此可以作为一种检索特征。但是这个想法没有得到严格的理论或者实验证明。 2002年，扎克伯吉[65]在一个拥有388个VRML三维网格模型的数据库上进行检索。首先他们将三维网格模型分割为数目不多的有意义的分割片。然后评价每一个分割片形状，确定它们之间的关系。为每个分割片建立属性图，看作是与原模型关联的索引。当在数据库中检索与给定网格模型相似的物体时，只是去比较属性图相似的程度。 该方法检索结果的精确性较差；分割片属性图比较采用图同构的匹配，计算量较大，且是一个很困难的问题；从实验结果看，分割效果显然还不够有意义，出现飞机、灯座等模型被检索为与猫相似的结果；区分坐、立等姿态不同的人体模型效果显然也很差（如图19）。 2003年戴伊[9]基于网格模型的拓扑信息，给出名为“动力学系统”的形状特征描述方法，并模拟连续形状给出了离散网格模型形状特征的定义。实验表明，该算法十分有效地分割二维及三维形状特征。 目前，基于几何以及拓扑信息的中轴线或骨架等形状描述子也得到了广泛的研究，如基于水平集[55]、拓扑持续性[69]、Shock图[15]、Reeb 图[54]和中轴线[56]等方法。这些形状描述可以从 孙晓鹏 中国科学院计算技术研究所 认知心理学、心理物理学认为：人类对形状的识别过程部分地基于分割，复杂形状往往被看作是若干简单元素的组合。同时，在视觉识别过程中，显著形状特征以很高的 优势屏蔽了其它不显著特征。为了获取形状的显著特征，首先必须进行分割。 1 Virtual Reality Modeling Language，虚拟现实建模语言，一种在WWW中描述虚拟现实（VR）的工 具，用来描述三维物体及其行为。其基本目标是建立互联网上的交互式三维多媒体，具有三维性、交互性、动态性、实时性等特征，能够在互联网或局域网上快速传递。该语言于1998年1月被正式批准为国际标准（ISO/IEC14772-1:1997），是第一个用HTML发布的国际标准。 （接上期）
基于高级InSAR时序分析方法的高速公路沉降分析-ESAEarthOnline
基于高级InSAR时序分析方法的高速公路沉降分析 张庆云1，2，张景发2，李永生2 1. 中国地震局工程力学研究所，地震工程与工程震动重点实验室，哈尔滨，中国 2. 中国地震局地壳应力研究所，地壳动力重点实验室，北京，中国 摘要：合成孔径雷达InSAR测量是近年来发展起来的极具潜力的微波遥感新技术，在监测地表形变上有全天候、大范围、高精度等优点。而高速公路作为现代社会经济发展的一个重要指标，在使用过程中其质量和沉降变化对社会发展和人们的生命财产安全都有重大的影响。InSAR技术在实际应用中，需要对多方面的误差进行校正分析。本文利用一种新的分析方法FRAM-SBAS时序分析方法，对兖州地区的ALOS PALSAR数据进行分析，研究该地区的高速公路沉降。FRAM-SBAS时序分析方法是一种融合了多种InSAR 误差源校正方法的短基线集时序分析策略。通过对比FRAM-SBAS时序分析方法与传统的PS-InSAR方法，证明了高级InSAR时序分析方法的简便与高精度之处，同时了验证了兖州高速公路由于煤矿开采等引起了不同程度的地面沉降。 关键词：FRAM-SBAS时序分析，PS-InSAR，高速公路沉降 1、研究现状 随着经济和社会的发展，以及《国家高速公路网规划》等国家战略的实施，高速公路建设正在飞速发展。但是受地貌以及道路等级的限制，有些高速公路要通过地下资源开采留下的采空区，这些地段因为采空区的存在会在地表上形成沉降盆地，而且容易产生裂缝和裂隙等现象，这就给路基路面的稳定性带来很大负面影响。而且在不同的地段，因为实际情况车流、车载量以及地貌等因素影响，路基路面会在使用过程中出现不同程度的破坏。因此，对高速公路进行沉降监测，保证高速公路正常运营变得越来越重要。 PS-InSAR技术能够识别具有稳定散射特性的相干点目标（PS点），建立相干点相位模型，使用数学方法将地表形变信息、不精确DEM贡献、大气延迟贡献等信号分离。该方法可以避免时间和空间去相干，它对时间序列SAR影像（干涉图）进行堆叠分析，实现地表形变时间序列的反演。但是该方法是一种复杂的多空间多时间InSAR处理方法，需要至少30景数据，因而在数据资料较少的地区，则无法使用该方法。 FRAM-SBAS（Full Rank Matrix SBAS InSAR，满秩相干点时序分析方法）时序分析方法则是利用时序反演矩阵的满秩条件，通过最小二乘方法对形变场反演得到满秩相干点，然后利用网络法进行分析处理，不仅可以保留SAR影像的分辨率，而且还不会造成孤立强散射体的丢失，同时对分析时数据的要求也比PS-InSAR要低，只需要十五景就可以得到较高精度的地表变形分析结果，在实际应用中有很大的优势和潜力。 FRAM-SBAS时序分析方法在使用的过程中，关键步骤主要有：1）干涉图生成中要以特定的时间基线和空间基线做约束条件，选择合适的干涉图，提高干涉图的相干性。2）采用满秩矩阵的原则进行相干点的选取，以保证得到优质的相干点。3）利用网络法对大气误差进行校正，消除大气延迟在空间上的不一致性。4）采用闭合环残差的方法对相干点相位解缠误差进行校正，从而提高解缠相位的质量。5）使用最小二乘方法对解缠干涉图集进行解算，该方法可以得到每个相干点的时序变形量，从而提高了形变监测的质量。 2、研究意义 公路最大的特点是长条状线性工程，在对该类地物进行检测分析时，需要满足一些要求：第一、大区域覆盖，因为公路走向不一，在进行监测时需要统一参考基准，要求大范围的同步测量。第二、对InSAR 技术的要求，这类工程需要应用高精度的InSAR数据处理算法，进行高分辨率的精细检测。FRAM-SBAS时序分析方法是一种新的时序反演方法，不仅改进了相干点提取方法，同时还改进了大气校正和相位解缠的方法，并且已经有验证过该方法在地震形变监测中的应用。该方法不仅有数据需求量要求低、形变监测精度高的优点，而且能够满足公路形变监测高覆盖、高精度、高时效的需求，因而考虑使用该方法对兖州地区的高速公路进行形变监测，并与传统PS-InSAR方法进行对比分析，验证该方法的可行性以及兖州地区的沉降特点。
基于Hough变换和GVF Snake模型的脑肿瘤分割方法
收稿日期：2017-09-25；修回日期：2017-10-27 基金项目：国家自然科学基金资助项目（61440049，61262019）；江西省自然科学基金资助项目（ 20151BAB207065，20161BAB202038）；江西省教育厅科技项目（GJJ170572）；江西省科技厅重点研发基金资助项目（20161BBG70047）作者简介：孔媛媛（1992-），女，山东枣庄人，硕士，主要研究方向为图像处理（2465884938@https://www.360docs.net/doc/7d10780357.html, ）；李军华（1974-），男，教授，博士，主要研究方向为进化算法、智能控制；王艳（1980-），女，讲师，博士研究生，主要研究方向为图像处理；鲁宇明（1969-），女，教授，博士，主要研究方向为进化计算、模式识别；W u Liu （1975-），男，assistant professor ，主要研究方向为图像处理. 基于Hough 变换和GVF Snake 模型的 脑肿瘤分割方法* 孔媛媛1a ，李军华1a ，王 艳1b ，鲁宇明1b ，Wu Liu 2 （1.南昌航空大学a.江西省图像处理与模式识别重点实验室；b.工程训练中心，南昌330063；2.耶鲁大学医学院，美国康涅狄格州06511） 摘 要：脑M R 图像中肿瘤区域的精确分割对后续的治疗与诊断十分关键，提出了一种基于Hough 变换定位与 遗传算法优化GVF Snake 模型的脑肿瘤分割方法。首先， 利用Hough 变换和阈值处理自动确定肿瘤区域；然后，利用GVF Snake 模型对肿瘤区域进行分割；同时，为了防止GVF Snake 在分割时易出现局部极小值的问题，进一步利用遗传算法的全局优化特性，对GVF Snake 模型分割的结果进行优化。实验结果表明，提出的模型能实现 对肿瘤区域的自动定位，同时也避兔了GVF Snake 模型在分割时易陷入局部最优的问题， 使分割的结果更加精确。 关键词：脑肿瘤分割；Hough 变换；GVF Snake 模型；遗传算法中图分类号：TP391.41 文献标志码：A 文章编号：1001-3695（2018）11-3469-03 doi ： 10.3969/j.issn.1001-3695.2018.11.064Brain tumor segmentation method based on Hough transform and GVF Snake model Kong Yuanyuan 1a ，Li Junhua 1a ，W ang Yan 1b ，Lu Yuming 1b ，W u Liu 2 （1.a.Key Laboratory ofImage Processing &Pattern Recognition in Jiangxi Province ，b.Engineering Training Center ，Nanchang Hangkong University ，Nanchang 330063，China ；2.School ofM edical ，Y ale University ，Connecticut 06511，United States ） Abstract ：The precise segmentation of the tumor area in the brain M RI image is critical important for the subsequent treat-ments and diagnoses.This paper proposed a new segmentation method ，which based on Hough transform location and genetic al-gorithm optimization of GVF Snake model.Firstly ，it used Hough transform and threshold processing to locate the tumor areas automatically.Then it applied the GVF Snake model to segment the tumor areas.At the same time ， to address the problem that the algorithm is easily trapped into local minimum ，the results of GVF Snake segmentation are further optimized by using the global optimization of genetic algorithm.The experimental results show that the proposed model is then done automatically with no manual intervention ， and it can also avoid the local convergence problems of GVF Snake model ，then obtains a more precise result. Key words ：brain tumor image segmentation ；Hough transform ；GVF Snake model ；genetic algorithm 0 引言 脑肿瘤的发病率较高，约占全身肿瘤发病率的1.4%，死亡率超过2.4%。因此对脑肿瘤的诊断、治疗和科学研究日益 重要[1] 。目前，脑肿瘤的分割主要是医生利用自身的专业知识及经验手动完成，不仅耗时费力，而且主观因素较强。因此将图像处理技术应用到医学图像辅助分析中，生成脑肿瘤的自动分割或少量人工干预的半自动分割方法十分必要。 图像分割方法经过快速发展，针对M R 图像的脑肿瘤分割已形成不同的方法理论，如区域生长法、阈值法、分水岭变换、 基于曲线演变的模型等[2~6] 。区域生长法计算简单，可用于比较复杂的图形，但灰度的不均一和噪声容易产生过分割或欠生长。阈值法适用于灰度值相差较大的图像，脑肿瘤图像复杂，阈值选取困难。分水岭变换方法分割精度高，计算速度快，分割边界连续，但易产生大量的假边界，造成算法过度分割的现象。基于曲线演变的模型包括参数形变模型和几何形变模型[ 7，8] 。Snake 模型是经典的参数形变模型，在处理有间断的目标轮廓时能得到连续的分割结果，且对噪声不敏感，但 Snake 模型无法收敛于凹陷目标轮廓区域，对初始轮廓要求 高，无法处理边缘模糊的图像。文献[ 9]提出梯度矢量流（GVF ）模型扩大了外部力场的捕获范围，解决了传统Snake 模型对初始轮廓敏感、不能收敛于凹陷区域的缺点。文献[10]提出一种基于活动轮廓模型和进化算法优化参数值的混合优化算法。文献[11]利用Canny 边缘检测结果计算GVF Snake 模型的边缘梯度。这两种分割方法虽然改进了GVF Snake 模型对弱边界敏感的问题，但都需要人工参与确定肿瘤的初始轮廓，没有实现自动化分割。文献[12]中利用脑组织的左右对称性对脑肿瘤进行定位，实现了脑肿瘤的自动化检测，但不能处理肿瘤关于对称轴对称的情况，且受灰度值影响较大，鲁棒性较差。 本文设计了一种脑肿瘤的自动分割方法，该方法根据肿瘤 的形状特点，利用Hough 变换[13]和阈值处理[14] 对脑肿瘤进行定位。根据定位结果确定初始轮廓，然后利用GVF Snake 模型 对肿瘤区域进行分割，并通过遗传算法[ 15] 优化分割结果，从而实现脑肿瘤的精确分割。 第35卷第11期2018年11月 计算机应用研究 Application Research of Computers Vol.35No.11 Nov.2018 万方数据